在电池管理系统（BMS）的实际运行中，受限于嵌入式硬件的计算与存储资源，锂离子电池健康状态（SOH）的在线估计通常面临计算复杂度与表征精度之间的平衡问题。传统的等效电路模型或浅层机器学习算法在应对电池非线性衰退特征时拟合能力有限，而深层神经网络与标准自注意力模型则存在参数量大、内存占用高的工程部署瓶颈。针对这一问题，国内研究团队在期刊《Energy》上发表了题为“BMSFormer: An efficient deep learning model for online state-of-health estimation of lithium-ion batteries under high-frequency early SOC data with strong correlated single health indicator”的研究论文，提出了一种基于高频浅充放电区间单一强相关健康特征与轻量化自注意力网络的在线状态估计方法。

该方法首先从电池运行数据中提取高相关性的健康特征。考虑到电池在实际工况中常处于中等荷电状态，算法选取日常使用频次较高的固定电压区间作为初始搜索范围，包含充电与放电阶段。在此基础上，流程采用逐步缩减窗口宽度与移动步长的方法进行特征寻优：从较宽的电压切片出发，计算各片段恒流时间序列与真实容量退化序列的皮尔逊相关系数；在相关性最高的电压片段内继续细化缩小窗口与步长，直至达到设定的最小电压步长阈值。筛选出具有极高线性相关度的单一健康特征序列，包括特定窄电压区间的恒流充电时间或恒流放电时间，降低输入数据的冗余度。

在完成健康指标的时间序列构建后，采用滑动窗口机制对时序样本进行切分与结构化重组。具体而言，算法通过固定长度的时间窗口沿着特征序列逐周期向后移动，每次移动一个时间步，截取对应的历史健康特征片段作为模型输入。同时，将每个窗口后紧随的下一个周期的真实健康状态标量作为该片段的监督标签。经过切分后的输入序列被送入嵌入层，通过线性变换将其映射至高维特征空间，以匹配后续网络模块的通道维度需求，建立起由局部时序切片到单步健康状态映射的数据管道。

模型的核心构建块引入了局部与全局融合自注意力模块。为了消除标准注意力机制中计算复杂度随序列长度呈二次方增长的限制，该结构采用基于线性整流单元的线性注意力方案，利用矩阵乘法的结合律调整计算顺序，避免了计算全尺寸注意力矩阵的需求，将计算复杂度与存储占用降低至线性阶。在此基础上，模块在投影变换路径中嵌入了小卷积核的深度可分离卷积单元，先通过通道扩张与一维深度卷积捕获局部相邻周期内的细微变化，再通过逐点卷积完成通道间信息交互，以此弥补线性注意力在局部特征敏感度上的不足。

在经过注意力计算后，模型进一步接入大卷积核深度可分离卷积模块以强化长程特征表征。注意力模块的输出张量经过维度转置后，进入具有更高通道扩展倍率的大卷积核深度可分离卷积层，通过覆盖更大感受野的一维深度卷积操作提取电池长周期的退化趋势与宏观演化模式。在整个构建块的连接设计上，卷积前后的特征图均配有层归一化操作与残差加法分支，以维持深层网络训练中的梯度稳定性；然后，特征序列再次转置回原始维度，并与带有可学习权重系数的注意力分支输出相融合。

最后，堆叠的若干构建块输出被输入至多层感知机回归层，映射得到当前的电池健康状态估计值。在模型训练与验证流程中，算法仅利用电池全生命周期早期的少量数据进行参数更新，其余数据用于评估模型的泛化性能与参数稳定性。通过“窄电压区间强相关特征搜索—局部全局融合注意力—多尺度深度可分离卷积”的协同设计，在前端简化了特征维度，在网络层降低了计算与存储开销，形成了一套适用于资源受限计算环境的锂电池在线健康状态估计技术路线。

参考文献：
BMSFormer: An efficient deep learning model for online state-of-health estimation of lithium-ion batteries under high-frequency early SOC data with strong correlated single health indicator[J]. Energy, 2024, 313: 134030.

https://www.sciencedirect.com/science/article/pii/S0360544224038088